计算机科学 > 计算机视觉与模式识别
[提交于 2025年8月3日
]
标题: E-VRAG:利用资源高效检索增强生成提升长视频理解
标题: E-VRAG: Enhancing Long Video Understanding with Resource-Efficient Retrieval Augmented Generation
摘要: 视觉-语言模型(VLMs)通过利用跨模态推理能力,在视频理解方面取得了显著进展。 然而,它们的有效性受到有限的上下文窗口和处理数千帧长视频所需的高计算成本的限制。 检索增强生成(RAG)通过仅选择最相关的帧作为输入来解决这一挑战,从而降低计算负担。 然而,现有的视频RAG方法在检索效率和准确性之间难以平衡,尤其是在处理多样且复杂的视频内容时。 为了解决这些限制,我们提出了E-VRAG,这是一种新颖且高效的视频RAG框架,用于视频理解。 我们首先应用一种基于分层查询分解的帧预过滤方法,以消除不相关的帧,从而在数据层面降低计算成本。 然后,我们使用轻量级VLM进行帧评分,进一步在模型层面降低计算成本。 此外,我们提出了一种帧检索策略,利用帧间评分的全局统计分布,以缓解使用轻量级VLM可能导致的性能下降。 最后,我们为检索到的帧引入了一种多视图问题回答方案,增强了VLM从长视频上下文中提取和理解信息的能力。 在四个公开基准上的实验表明, E-VRAG相比基线方法实现了约70%的计算成本减少,并且准确性更高,而无需额外训练。 这些结果证明了E-VRAG在提高视频RAG任务的效率和准确性方面的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.